🤖 AI

Exploring the Adoption Intention in Using AI-Enabled Educational Tools Among Preservice Teachers in the Philippines: A Partial-Least Square Modeling

Este estudio utiliza PLS-SEM para analizar datos de 563 docentes filipinos en formación, revelando que los factores motivacionales y emocionales internos, particularmente la expectativa de rendimiento y la motivación hedónica, son los principales impulsores de su intención de adoptar herramientas educativas habilitadas con IA, superando la influencia de los factores institucionales externos.

Autores originales: Vanessa B. Sibug, Emerson Q. Fernando, Almer B. Gamboa, Roque Francis B. Dianelo, Agnes R. Regala, Joseph Alexander Bansil, Jan Henry B. Sunga, Vernon Grace M. Maniago, John Paul P. Miranda

Publicado 2026-05-01

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Vanessa B. Sibug, Emerson Q. Fernando, Almer B. Gamboa, Roque Francis B. Dianelo, Agnes R. Regala, Joseph Alexander Bansil, Jan Henry B. Sunga, Vernon Grace M. Maniago, John Paul P. Miranda

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás entrenando para convertirte en maestro. Estás a punto de entrar a un aula para tu primera práctica real (tu "practicum"), y tienes frente a ti una nueva y poderosa caja de herramientas: herramientas educativas de IA. Estos son programas inteligentes que pueden ayudarte a elaborar planes de clase, calificar exámenes o crear cuestionarios divertidos.

Pero aquí está la gran pregunta: ¿Realmente las usarás?

Este artículo es como una historia de detectives que investiga por qué algunos futuros maestros en Filipinas están entusiasmados por usar estas herramientas de IA, mientras que otros podrían dudar. Los investigadores pidieron a 563 estudiantes de magisterio que llenaran una encuesta y luego utilizaron un modelo matemático especial (una "receta" para comprender el comportamiento humano) para determinar qué impulsa sus decisiones.

Aquí está lo que descubrieron, explicado de forma sencilla:

1. Los dos motores principales: "¿Me ayudará?" y "¿Es divertido?"

El estudio encontró que dos cosas son los impulsores más grandes para el uso de la IA, actuando como los dos motores de un cohete:

Expectativa de Rendimiento (El factor "Superpoder"): Esta es la creencia de que la herramienta hará realmente el trabajo del maestro más fácil o mejor. Si un estudiante de magisterio piensa: "Esta IA me ayudará a calificar más rápido y a hacer que mis lecciones se vean increíbles", es muy probable que la use. Es como comprar una aspiradora de alta tecnología porque sabes que limpiará tu casa mejor que una escoba.
Motivación Hedónica (El factor "Alegría"): Se trata simplemente de divertirse. Si la herramienta se siente lúdica, entretenida o agradable de usar, los maestros quieren usarla. Es la diferencia entre hacer una tarea doméstica y jugar un videojuego. Si la IA se siente como un juguete divertido en lugar de una tarea aburrida, la adopción aumenta.

2. El malentendido de la "Facilidad de Uso"

Podrías pensar: "Si una herramienta es fácil de usar, la gente definitivamente la usará". El estudio encontró que esto no es exactamente cierto para estos maestros.

El hallazgo: Qué tan "fácil" es una herramienta (Expectativa de Esfuerzo) no hizo que los maestros quisieran usarla directamente.
El giro: Sin embargo, la "facilidad de uso" está fuertemente influenciada por tres sentimientos internos:
- Confianza: "¿Creo que puedo manejar esto?" (Autoeficacia informática).
- Miedo: "¿Tengo miedo de romperlo?" (Ansiedad informática).
- Ludicidad: "¿Se siente esto como un juego?" (Ludicidad informática).
La analogía: Piensa en un videojuego nuevo. Incluso si los controles son simples (fáciles de usar), no jugarás si tienes pánico a los botones o te sientes estúpido intentando aprender. Pero si te sientes capaz y piensas que el juego es divertido, querrás jugar, incluso si es un poco complicado.

3. El sorprendente efecto de la "presión de los compañeros"

Generalmente, pensamos que si nuestros amigos o jefes nos dicen que hagamos algo, lo haremos. El estudio encontró lo contrario para la IA.

El hallazgo: La Influencia Social (lo que dicen los compañeros o supervisores) tuvo en realidad un efecto negativo.
La analogía: Imagina que a un maestro le dicen: "Debes usar esta IA porque el director lo ordenó". En lugar de sentirse motivado, podría sentirse forzado o rebelde. Es como cuando un padre te dice que comas una verdura específica; a veces, la presión hace que sea menos probable que quieras comerla porque sientes que te están quitando tu libertad. Quieren usar las herramientas porque ellos quieren, no porque se les dijo que lo hicieran.

4. Lo que no importó mucho

El estudio examinó otros factores, pero no fueron los impulsores principales:

Apoyo Institucional: Tener buen internet o computadoras (Condiciones Facilitadoras) no hizo automáticamente que los maestros quisieran usar la IA. Puedes tener un Ferrari en el garaje, pero si no quieres manejarlo, simplemente se queda allí.
Precio: Dado que la mayoría de estas herramientas son gratuitas o de bajo costo, la "relación calidad-precio" no fue un factor decisivo enorme.
Hábito: El hecho de que hayan usado tecnología antes no garantizó que usarían IA específicamente.

La conclusión

El artículo concluye que para lograr que los futuros maestros usen la IA, no debemos simplemente construir mejores computadoras ni obligarlos a usarla. En cambio, necesitamos enfocarnos en el interior del maestro:

Muéstrales la magia: Demuestra que la IA realmente les ayuda a hacer su trabajo mejor (Rendimiento).
Hazlo divertido: Asegúrate de que las herramientas sean atractivas y agradables (Hedónico).
Construye confianza: Ayúdalos a sentirse capaces y reduce su miedo a la tecnología.
Detén la presión: Permíteles elegir usarla porque ven el valor, no porque un jefe se lo dijo.

En resumen, para estos futuros maestros, la motivación interna es la clave, no las reglas externas ni la infraestructura.

Aquí se presenta un resumen técnico detallado del artículo "Exploring the Adoption Intention in Using AI-Enabled Educational Tools Among Preservice Teachers in the Philippines: A Partial-Least Square Modeling".

1. Planteamiento del Problema

El estudio aborda una brecha crítica en la formación docente: comprender los factores específicos que influyen en la intención conductual de los futuros docentes para adoptar herramientas educativas habilitadas con IA (ETTs) durante su fase de práctica profesional (prácticas docentes). Si bien la tecnología educativa se integra cada vez más en las aulas, la adopción efectiva depende no solo de la infraestructura, sino de los factores psicológicos y contextuales que impulsan a los futuros educadores.

La literatura existente a menudo carece de insights específicos sobre cómo los futuros docentes navegan las herramientas específicas de IA (por ejemplo, IA generativa para la planificación de lecciones, sistemas de calificación automatizada) dentro de las restricciones únicas de una práctica profesional. Los autores buscan identificar si los factores motivacionales/cognitivos internos o los factores institucionales externos son más predictivos de la intención de adopción en el contexto filipino.

2. Metodología

Diseño de Investigación y Participantes

Diseño: Estudio transversal descriptivo.
Participantes: 563 futuros docentes de instituciones de educación docente en Luzón Central, Filipinas.
Demografía: Predominantemente femenino (71.4%), edad media de 21.06 años. Las especializaciones incluían Educación Física (50%), Primaria (24.5%) y Secundaria (25.4%).
Contexto: Los participantes estaban actualmente inscritos en cursos de práctica profesional. El estudio contextualizó las herramientas de IA para incluir plataformas como Canva, Slidesgo, Quillbot, ChatGPT, Gemini, Copilot, Quizizz, Kahoot! y Gradescope.

Marco Teórico

El estudio utiliza una versión extendida de la Teoría Unificada de Aceptación y Uso de la Tecnología 2 (UTAUT2).

Constructos Principales: Expectativa de Rendimiento (PE), Expectativa de Esfuerzo (EE), Motivación Hedónica (HM), Influencia Social (SI), Condiciones Facilitadoras (FC), Valor del Precio (PV) y Hábito (HB).
Constructos Extendidos: El modelo integra la Autoeficacia Informática (CSE), la Ansiedad Informática (CA) y la Divertimiento Informático (CP) como antecedentes de EE y HM.
Predictores Adicionales para PE: Motivación Extrínseca (EM), Ajuste al Trabajo (JF), Ventaja Relativa (RA) y Expectativas de Resultados (OE).

Instrumento y Análisis

Recolección de Datos: Encuesta en línea (Google Forms) utilizando una escala Likert de 4 puntos.
Técnica de Análisis: Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM).
Validación:
- Fiabilidad: El alfa de Cronbach y la Fiabilidad Compuesta (CR) superaron 0.70.
- Validez: La validez convergente se confirmó mediante Cargas Factoriales (>0.70) y Varianza Media Extraída (AVE > 0.50). La validez discriminante se confirmó mediante el criterio de Fornell-Larcker.
Hipótesis: Se probaron 12 hipótesis principales sobre las relaciones directas e indirectas entre los constructos y la Intención Conductual de Uso (BITU).

3. Resultados Clave

El análisis PLS-SEM arrojó los siguientes hallazgos significativos:

A. Predictores Directos de la Intención Conductual (BITU)

Expectativa de Rendimiento (PE): El predictor positivo más fuerte ( $\beta = 0.302, p < .001$ ). Los docentes que creen que la IA mejora su rendimiento docente son más propensos a adoptarla.
Motivación Hedónica (HM): El segundo predictor positivo más fuerte ( $\beta = 0.292, p < .001$ ). El disfrute derivado del uso de las herramientas impulsa significativamente la adopción.
Expectativa de Esfuerzo (EE): No significativa ( $\beta = -0.013, p = .830$ ). La facilidad de uso percibida no influyó directamente en la intención de usar herramientas de IA en este contexto.

B. Antecedentes de la Expectativa de Esfuerzo (EE)

Aunque EE no predijo BITU directamente, fue significativamente moldeada por:

Autoeficacia Informática (CSE): Influencia positiva ( $\beta = 0.469$ ).
Divertimiento Informático (CP): Influencia positiva ( $\beta = 0.387$ ).
Ansiedad Informática (CA): Sorprendentemente, una influencia positiva pequeña pero significativa ( $\beta = 0.059$ ), lo que sugiere que una mayor ansiedad se asoció con un mayor esfuerzo percibido (o que la relación es compleja en esta muestra específica).

C. Antecedentes de la Expectativa de Rendimiento (PE)

PE fue predicha significativamente por:

Motivación Extrínseca (EM): Impulsor más fuerte ( $\beta = 0.487$ ).
Expectativas de Resultados (OE): ( $\beta = 0.236$ ).
Ajuste al Trabajo (JF): ( $\beta = 0.162$ ).
Ventaja Relativa (RA): ( $\beta = 0.071$ ).

D. Factores Contextuales y Habituales (No Significativos o Negativos)

Influencia Social (SI): Mostró un efecto negativo significativo ( $\beta = -0.096, p = .014$ ). La presión externa de pares o supervisores en realidad redujo la intención de usar herramientas de IA, probablemente debido a amenazas percibidas a la autonomía.
Condiciones Facilitadoras (FC): Sin efecto significativo ( $\beta = -0.029$ ). El apoyo institucional por sí solo no impulsa la adopción.
Valor del Precio (PV) y Hábito (HB): Mostraron solo efectos marginales ( $p > 0.05$ ), lo que indica que el costo y la rutina previa no son impulsores primarios para este grupo demográfico.

4. Contribuciones Clave

Refinamiento de UTAUT2 en el Contexto de IA: El estudio valida el marco UTAUT2 para la adopción de IA, pero destaca una desviación: la Expectativa de Esfuerzo no es un impulsor directo de la intención en este contexto específico, desafiando las suposiciones estándar donde la facilidad de uso es primordial.
Identificación de la "Paradoja de la Influencia Social": El hallazgo de que la Influencia Social tiene un impacto negativo es una contribución crítica. Sugiere que, para los futuros docentes, los mandatos de arriba hacia abajo o la presión de los compañeros pueden obstaculizar la adopción voluntaria de IA, enfatizando la necesidad de autonomía.
Impulsores Psicológicos vs. Institucionales: La investigación proporciona evidencia empírica de que los factores internos (motivación, disfrute, autoeficacia) superan significativamente a los factores externos (infraestructura, mandatos institucionales, costo) en la adopción de IA por parte de futuros docentes.
Especificidad Contextual: Ofrece el primer análisis a gran escala mediante PLS-SEM de la adopción de IA específicamente entre futuros docentes filipinos durante su práctica profesional, un grupo demográfico a menudo pasado por alto en los estudios globales de educación con IA.

5. Significado e Implicaciones

Para los Programas de Formación Docente:
- Los planes de estudio deben cambiar el enfoque de simplemente proporcionar infraestructura (Condiciones Facilitadoras) a fomentar la motivación intrínseca y el disfrute.
- La capacitación debe enfatizar la relevancia personal (Ajuste al Trabajo) y las expectativas de resultados para aumentar la Expectativa de Rendimiento.
- Los programas deben abordar la Ansiedad Informática y construir la Autoeficacia a través de la exploración práctica y de bajo riesgo, en lugar de mandatos obligatorios.
Para la Política y la Administración:
- Los administradores deben evitar tácticas coercitivas de "influencia social". Las estrategias de adopción deben ser voluntarias y autodirigidas.
- La inversión en herramientas de IA debe priorizar características que ofrezcan ventaja relativa y motivación extrínseca (por ejemplo, ahorrar tiempo, mejorar las calificaciones) en lugar de solo la facilidad de uso.
Impacto Teórico: El estudio sugiere que, en el contexto de las tecnologías emergentes de IA, el factor "divertido" (Motivación Hedónica) y la creencia en la utilidad (Expectativa de Rendimiento) son los principales guardianes para la adopción, mientras que las barreras tradicionales como la "facilidad de uso" son secundarias una vez establecida la competencia básica.

En conclusión, el artículo argumenta que la integración exitosa de la IA en la formación docente depende menos de construir mejor infraestructura y más de cultivar un entorno psicológico donde los futuros docentes se sientan seguros, autónomos y personalmente recompensados por el uso de estas herramientas.